잠재고객 발굴의 혁신: 이중 PU 학습(Double PU Learning)의 등장

카토 마사히로 등 연구팀의 'Double PU learning'은 고객의 브랜드 충성도를 고려한 잠재 고객 예측 모델을 제시, 기존 PU learning의 한계를 넘어 마케팅 효율을 극대화하는 혁신적인 방법을 제시합니다. 단일 단계 최적화를 통해 실용성을 높였으며, 향후 마케팅 분야에 혁신적인 변화를 가져올 것으로 기대됩니다.

카토 마사히로, 이케다 유키, 바바 켄타로, 이마이 타카시, 이노쿠치 료 연구팀이 발표한 논문 "Learning from Double Positive and Unlabeled Data for Potential-Customer Identification"은 타겟 마케팅 분야에 혁신적인 변화를 가져올 가능성을 제시합니다.

기존의 잠재 고객 예측은 제품 구매 여부(Positive/Unlabeled data)만을 고려하는 PU learning에 의존해 왔습니다. 하지만 이 연구팀은 한 단계 더 나아가, 고객의 '브랜드 충성도' 라는 중요한 변수를 도입했습니다. 단순히 제품을 구매했는지 여부만으로 고객을 판단하는 것이 아니라, 그들이 해당 브랜드에 얼마나 충성도를 가지고 있는지를 고려하여 더욱 정확한 예측을 가능하게 한 것입니다.

이는 마케팅 효율을 극대화하는 데 중요한 의미를 지닙니다. 브랜드에 충성도가 높은 고객은 추가적인 광고 없이도 제품에 관심을 가질 가능성이 높지만, 충성도가 낮은 고객은 관심이 있어도 다른 경쟁사 제품을 선택할 수 있습니다. 따라서 이 연구는 관심은 있지만 충성도가 낮은 고객에게 마케팅 자원을 집중함으로써 효율적인 마케팅 전략을 제시합니다.

연구팀은 이러한 목표를 달성하기 위해 'Double PU learning'이라는 새로운 알고리즘을 개발했습니다. 흥미로운 점은 이 알고리즘이 단일 단계 최적화를 통해 구현된다는 것입니다. 복잡한 다단계 과정 없이도 기존 PU learning의 두 가지 손실 함수를 효과적으로 통합하여 더욱 정교한 모델을 구축했습니다.

이 연구의 핵심은 단순한 기술적 발전을 넘어, 잠재 고객 식별에 대한 새로운 패러다임을 제시한다는 점입니다. 단순히 '구매'라는 행위만으로 고객을 평가하는 것이 아니라, 고객의 심리적 요인까지 고려하여 마케팅 전략을 수립하는 새로운 시각을 제공합니다. 수치 실험을 통해 알고리즘의 유효성을 검증한 결과는 이러한 주장을 뒷받침합니다.

Double PU learning은 향후 타겟 마케팅 분야에서 혁신적인 도구로 활용될 가능성이 높습니다. 마케팅 효율을 극대화하고, 소비자 이해를 심화시키는 데 기여할 것으로 기대됩니다. 앞으로 이 알고리즘이 어떻게 발전하고 실제 비즈니스에 적용될지 주목할 만합니다.